論文の概要: AeroCast: Probabilistic 3D Trajectory Prediction for Non-Cooperative Aerial Obstacles via Transformer-MDN Architecture
- arxiv url: http://arxiv.org/abs/2606.25122v1
- Date: Tue, 23 Jun 2026 19:52:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.131202
- Title: AeroCast: Probabilistic 3D Trajectory Prediction for Non-Cooperative Aerial Obstacles via Transformer-MDN Architecture
- Title（参考訳）: AeroCast: Transformer-MDNアーキテクチャによる非協調的空中障害物の確率的3次元軌道予測
- Authors: Syed Izzat Ullah, Jose Baca,
- Abstract要約: AeroCastは、TransformerエンコーダとMixture Density Network出力ヘッドを組み合わせた確率的軌道予測フレームワークである。
9つの運動カテゴリにまたがるハイブリッドリアル・合成四極子コーパスでは、AeroCastは平均変位誤差と最終変位誤差を約50%削減する。
AeroCast推論は1サンプルあたり0.1msで完了し、100Hzのリアルタイムオンボードデプロイメントと互換性がある。
- 参考スコア（独自算出の注目度）: 1.0312968200748118
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous aerial vehicles operating in shared airspace must predict the future positions of non-cooperative obstacles to plan evasive maneuvers before a collision becomes unavoidable. Unlike cooperative systems that share intent, non-cooperative obstacles such as birds, uncontrolled drones, or debris exhibit multi-modal motion that deterministic predictors cannot adequately represent. Existing methods either rely on recurrent encoders that propagate temporal information sequentially, limiting their ability to capture long-range kinematic precursors of maneuver initiation, or produce point forecasts that provide no distributional information to downstream planners. This paper presents AeroCast, a probabilistic trajectory prediction framework that combines a Transformer encoder with a Mixture Density Network output head to predict per-timestep Gaussian mixture distributions over future three-dimensional displacements. A translation-invariant consecutive displacement encoding and a calibration-oriented training objective address the input design and mode-degeneracy challenges specific to mixture-based aerial trajectory prediction. On a hybrid real-and-synthetic quadrotor corpus spanning nine motion categories, AeroCast reduces Average Displacement Error and Final Displacement Error by approximately 50% relative to the baselines over a five-second horizon, and achieves the lowest negative log-likelihood and Continuous Ranked Probability Score among all compared methods. Ablation analysis identifies velocity input and model capacity as the primary contributors to prediction quality, and positional encoding as essential for long-horizon trajectory coherence. AeroCast inference completes in 0.1ms per sample, compatible with real-time onboard deployment at 100Hz.
- Abstract（参考訳）: 共有空域で運用される自律航空車両は、衝突が避けられない前に回避策を計画するために、非協力的障害物の将来の位置を予測する必要がある。
意図を共有する協調システムとは異なり、鳥類、無人ドローン、デブリのような非協力的な障害物は、決定論的予測器が適切に表現できない多モーダルな動きを示す。
既存の方法は、時間的情報を逐次伝播する繰り返しエンコーダに依存し、操作開始の長距離キネマティック前駆体を捕捉する能力を制限するか、下流のプランナーに分布情報を提供しない点予測を生成するかのいずれかである。
本稿では,トランスフォーマーエンコーダと混合密度ネットワーク出力ヘッドを組み合わせた確率的軌道予測フレームワークであるAeroCastを提案する。
翻訳不変な逐次的変位符号化と校正指向の訓練目的は、混合型空中軌道予測に特有の入力設計とモード縮退問題に対処する。
AeroCastは、9つの動作カテゴリにまたがるハイブリッド実合成四重項コーパスにおいて、平均変位誤差と最終変位誤差を5秒の水平線上のベースラインに対して約50%削減し、比較した手法の中で最も低い負の対数や連続ランク付き確率スコアを達成する。
アブレーション解析では、速度入力とモデルキャパシティが予測品質の主要な要因であり、位置エンコーディングは長距離軌道コヒーレンスに必須である。
AeroCast推論は1サンプルあたり0.1msで完了し、100Hzのリアルタイムオンボードデプロイメントと互換性がある。
関連論文リスト
- JPPD: Joint Prediction_Planning Diffusion with Differentiable Safety Guidance for Dynamic Obstacle Avoidance in Intelligent Transportation Systems [1.9236465591431287]
本稿では,単条件軌道生成問題として参加者予測とロボット計画を扱う共同予測計画拡散フレームワークを提案する。
シナリオグラウンドシミュレーション、自然主義的な歩行者リプレイ、Isaac Simバリデーション、ROS/Orinデプロイメントの実験は、共同サンプリングが尾の安全性と実行効率を改善することを示している。
論文 参考訳（メタデータ） (2026-06-14T11:15:44Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。
ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
論文 参考訳（メタデータ） (2026-05-07T20:25:28Z) - Collaborative Trajectory Prediction via Late Fusion [17.045815575131915]
車両間の協調的なアプローチは、相補的な情報を共有することによって不確実性を低減するのに役立つ。
共有予測のためのレイトフュージョンフレームワークを導入する。
OPV2V、V2V4Real、DeepAccidentデータセットに対するアプローチを評価する。
論文 参考訳（メタデータ） (2026-04-24T19:34:56Z) - Forecasting the Past: Gradient-Based Distribution Shift Detection in Trajectory Prediction [8.64679489783877]
軌道予測モデルは、トレーニングとテスト条件の間の分散シフトにより、現実の自動運転で失敗することが多い。
観測軌道の後半を予測する自己教師タスクにおいて,ポストホック方式でデコーダを訓練する自己教師方式を提案する。
論文 参考訳（メタデータ） (2026-04-14T08:15:45Z) - ASCENT: Transformer-Based Aircraft Trajectory Prediction in Non-Towered Terminal Airspace [54.94692733670454]
ASCENTは、マルチモーダル3D航空機の軌道予測のための軽量トランスフォーマーベースのモデルである。
ドメイン対応の3D座標正規化とパラメータ化予測を統合している。
論文 参考訳（メタデータ） (2026-03-17T14:16:10Z) - Don't double it: Efficient Agent Prediction in Occlusions [1.1338062042380708]
密集した交通機関は、隠れた歩行者や車両が予期せず現れるため、自動運転車にとって重大な課題となる。
既存の学習ベースの手法は、1つのエージェントが複数回識別された場合、冗長な占有率予測を生成することが多い。
我々は、最先端のSceneInformerアーキテクチャをベースにした、新しいトランスフォーマーベースのアプローチであるMatchInformerを紹介する。
論文 参考訳（メタデータ） (2026-01-29T10:22:38Z) - Adversarial Attacks on Downstream Weather Forecasting Models: Application to Tropical Cyclone Trajectory Prediction [16.063976106946402]
本稿では,DLWFモデルの上流予測を妨害し,対向軌道を生成する新しい手法であるCyc-Attackを提案する。
このような制約を克服するために, DLWFモデルの上流予測を摂動させ, 対角軌道を生成する新しい手法であるCyc-Attackを提案する。
論文 参考訳（メタデータ） (2025-10-11T09:42:16Z) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。